【摘 要】为解决传统电商系统黑盒测试中人工设计用例效率低、核心场景漏检率高的问题，文章提出基于反向传播（Back Propagation，BP）神经网络的测试用例智能生成方法。BP神经网络具备强大的非线性拟合能力，能有效弥补传统人工测试的缺陷。研究将电商测试核心特征抽象为BP模型输入，结合sigmoid激活函数与梯度下降算法训练模型至收敛，最终通过概率阈值筛选生成高价值用例。实验结果显示，模型测试集准确率达0.90，用例生成效率提升90%以上，且100%覆盖超库存购买等5类核心场景，有效检出库存校验缺陷等潜在问题。该方法为电商系统自动化测试提供了高效解决方案。

【关键词】BP神经网络；黑盒测试；电商系统；测试用例智能生成

引言

随着数字经济的不断发展，电商平台系统作为企业线上服务的核心支撑，其系统订单处理、库存管理等核心功能的稳定运行直接关系到用户体验和企业经营效益[1]。在此背景下，软件测试作为质量保障的关键环节，变得日益关键。然而，传统黑盒测试方法正遭遇严峻挑战，存在容易忽视关键测试场景、测试效率高度依赖人工设计用例、流程繁复耗时等不足，且测试效果易受测试人员经验差异的限制[2]。在电商交易场景里，涉及购买数量、库存状态和用户等级等多个维度特征，这些数据之间存在复杂的非线性关联，虽然等价类划分法和边界值分析等技术已经形成标准化体系[3]，但它们在灵活性与精确度方面难以满足实际测试需求，常导致测试资源投入与产出效益失衡。

近年来，人工智能为软件测试的自动化提供了新思路，神经网络因其优异的非线性拟合能力而受到关注。在缺陷预测方面，BP神经网络采用多层感知的结构，能够捕捉特征间的复杂关系，其有效性已得到初步验证[4]。后续研究通过引入灰狼算法等改进其收敛性，进一步验证了其在测试领域的应用价值[5]。在多维电商场景下，也有部分研究将支持向量机等方法应用到测试用例生成中，但其准确率仍有待提升。目前，针对电商黑盒测试的智能用例生成系统尚未成熟，尤其对超库存采购等特殊业务场景的覆盖不足。

本研究聚焦于电商黑盒测试中的难点，设计了一种基于BP神经网络的智能测试用例生成方案。该方法能够有效处理电商场景中多维数据间的复杂非线性关系，且在小规模数据集训练中表现良好。通过实现测试用例的自动化生成，有望突破传统人工测试效率不足的瓶颈。该方法旨在为电商系统快速迭代提供稳定的质量保障，弥补现有测试覆盖范围的不足，并通过构建契合电商业务的数据流程与模型结构，验证BP神经网络在测试自动化中的应用价值，推动软件测试向智能化方向发展。

一、研究方法设计

（一）实验设计思路

本次实验意在验证BP神经网络在黑盒测试用例生成中的实用性和优越性。黑盒测试把被测系统当作“黑盒”，只依靠输入和输出的对应关系来验证功能是否正确。从应用场景上来讲，黑盒测试的适用范围已经从传统软件拓展到复杂系统领域，如在流体仿真软件研发中[6]，借助黑盒测试技术，能有效找出因软件设计和需求不一致而引发的失效问题。本研究采用的BP神经网络是一种多层前馈网络，通过误差反向传播算法进行学习，拥有较强的非线性拟合能力。结合电商测试需求，模型采用“输入层8神经元—隐藏层1层12神经元—输出层1神经元”的结构。模型利用Sigmoid激活函数和梯度下降算法进行训练，最终输出测试用例属于高价值场景的概率。实验会着重评估模型在测试集准确率、高价值用例识别精度和场景覆盖率方面的表现。

（二）数据准备

采用模拟方式构建测试数据集，遵循电商选购、库存校验、优惠计算、订单支付全流程。